摘要：针对柔性车间设备传统周期性维护存在过维修现象,导致维修资源和生产成本的浪费,本文研究了柔性车间多目标调度与预测性维护协同管控方法.考虑订单工艺路径和产线机器资源复杂耦合特性,建立以最大完工时间,最大设备负荷和设备总负荷为优化目标的柔性车间调度模型;采用威布尔分布准确刻画车间设备的恶化效应,基于设备预测性维护模型设计最优维护策略;提出基于改进量子粒子群算法的柔性车间多目标调度与预测性维护协同优化方法,设计混合初始化方法以获得高质量的初始种群,构造三种邻域搜索算子和两种变异算子,提升调度与维护协同优化算法的搜索能力与搜索精度.实验结果验证了所提算法的有效性和可行性.

摘要：为解决空压机设备中不确定零部件损耗及其可能引发严重后果的问题,设计了基于大数据技术的空压机设备预测性解决方案。首先,基于振动频谱分析构建了空压机寿命预测模型,通过信号滤波、异常值处理、零均值化处理等手段进行数据预处理,通过超参数优化和模型评估持续对空压机设备模型进行优化调整。其次,通过采集现场空压机的静态数据和运行数据,基于空压机机理进行了深入分析,提取了用于空压机寿命预测的关键特征值,并设计了设备健康状况评价指标。通过现场空压机测试,验证了空压机设备预测性维护系统的合理性和可行性。测试结果表明,该系统能够有效地预测空压机的寿命,及时发现潜在故障,为设备的预防性维护提供有力支持。

摘要：随着人工智能技术的快速发展,将其应用于机电系统预测性维护已成为提升设备管理水平、保障安全生产的必由之路。本文在阐述机电系统预测性维护内涵的基础上,提出了一种基于人工智能的机电系统预测性维护系统架构,涵盖数据采集与预处理、数据分析与建模、状态评估与预测、维护决策与优化等层次;并从顶层设计、关键技术、示范应用、人才培养等方面,探讨了人工智能驱动下的机电系统预测性维护实施策略,以期为推动机电系统智能化运维变革提供参考。

摘要：预测性维护通过及时诊断或预测设备状态来减少不必要的维护,深度学习方法可以从设备特征参数映射到设备的状态来实现上述过程。设备种类繁多与设备多工况时的预测性维护实现,对深度学习方法也提出了更高的要求,合理的选择深度学习方法是至关重要的。论文阐述了深度学习在预测性维护中的发展历程与最新应用,以期进一步推动预测性维护在更多设备上进行应用,提高预测性维护应用中深度学习方法的准确率,最后,对预测性维护中深度学习方法的未来发展进行了展望。

摘要：在近些年的制造环境中,由于市场对多品种、小批量定制产品需求的增加,生产制造更加深入地向着柔性方向发展.如何利用现有资源,提高生产效率,实时地对系统性能进行评估与预测,并对基于小批量生产的实时调度进行优化改进,在分布式柔性生产系统中具有重要的研究意义.因此,基于退化机器模型的多批次串行生产线的性能进行分析,并对分布式生产系统进行任务调度及预测性维护.具体地说,对于具有退化机器模型及有限容量缓冲区的生产系统,首先采用马尔科夫分析方法建立数学模型;随后,提出精确方法来计算此生产系统模型实时的性能指标,并针对该模型下的调度问题,设计最优完成时间指标优化算法;此外,提出基于退化机器模型的预测性维护策略以减少完成时间;最后,通过数值实验验证该算法的可行性和有效性.

摘要：针对恶劣工况环境下复杂矿用设备状态监测与预测性维护困难等问题,结合状态监测、故障预警和预测维护等多种综合建模与分析预测技术,提出了一种基于数字孪生的预测性维护系统。首先,介绍了复杂矿用设备数字孪生体的设计流程与构建原理,并在搭建数字孪生体的过程中实现了预测性维护系统的功能;然后,研究了基于LabVIEW、MySQL和Unity3D的状态数据获取方法,利用Unity3D开发引擎搭建了三维可视化复杂矿用设备状态监测平台,并通过虚拟空间可视化展示设备当前状态;最后,分析了优化BP(back propagation,反向传播)神经网络在复杂矿用设备故障预警中的适用性,同时利用MATLAB软件建立了复杂矿用设备关键零部件的预测性维护模型,并将预警结果通过MySQL数据库传输至Unity3D开发引擎,以驱动和部署预设维护流程,实现设备状态实时监测下的关键零部件故障预警。根据采煤机液压系统的实际维修流程,制定了混合现实(mixed reality, MR)预测性维护策略,并以采煤机摇臂部液压柱塞泵为实验对象开展有效性验证。结果表明,所构建的预测性维护系统的故障预测准确率高于90%,且故障预警结果可驱动HoloLens眼镜实现虚拟指导的维修交互,验证了该系统预测性维护功能的有效性。研究结果可为复杂矿用设备的预测性维护提供新思路。

摘要：针对空间站有效载荷运维对安全性要求高、保障资源有限的问题,建立了预测性维护支持系统,包括数据库、自动辅助建模软件、计算平台及Web UI程序。以数据驱动预测方法和技术为核心搭建了支持系统框架,设计了自动辅助建模软件,构建了一种开放式、层次化、可扩展的软件架构,在此架构上开发了数据处理、机器学习、深度学习算法库,初步开发了有效载荷模型库与故障诊断、预测及健康管理业务程序集。采用公开数据源对软件建模功能开展测试,结果表明:软件架构可行,可高效、灵活地完成状态监测数据处理、分析与建模任务。

摘要：为了解决制造业中工业设备管理混乱、维护成本高昂等问题,以工业机器人、数控车床等工业设备为管理对象,开发面向预测性维护的设备管理系统。基于SpringBoot框架和Vue前后端分离模式对系统进行开发,降低其耦合性;根据实际生产需求设计设备管理模块,实现设备基础信息和生产数据的管理;并开发人机交互良好的前端界面,达到设备信息可视化管理的目的;整合多种数据库设计数据存储模块,解决系统不同数据种类的读写问题;基于Spark大数据处理框架设计设备维护模块,对设备实时数据进行在线分析,并使用机器学习回归算法对历史数据进行预测模型训练,实现设备状态的实时监控与剩余使用寿命的预测,达到设备预测性维护的目的。最后,通过工业机器人设备实验验证了所设计的管理系统的可行性。

摘要：预测性维护是数字孪生典型应用之一,数据驱动是实现预测性维护的主要方式。针对预测性维护中故障特征提取困难、预测结果偏差较大的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)算法与希尔伯特-黄变换(Hilbert-Huang transform,HHT)算法相结合的预测性维护模型的构建方法。用VMD+HHT算法提取振动信号时域特征,结合深度稀疏自编码器(deep sparse auto-encoder,DSAE)进行数据降维,采用支持向量数据描述(support vector data description,SVDD)算法来形成健康度曲线,并基于长短时记忆网络(long short-term memory,LSTM)算法建立预测性维护模型。将该方法应用于一款旋挖钻机液压马达的预测性维护。提取马达外壳的振动信号,构建液压马达预测性维护模型,并通过试验来验证该方法的有效性与准确性。试验结果表明,采用基于DSAE+SVDD+LSTM算法构建的预测性维护模型可避免模态混叠及端点效应等问题,预测精度达90%以上,模型具有实用价值。研究结果可为液压元件数字孪生预测性维护应用场景的建设提供重要参考。

摘要：常用的煤矿机电设备运维模式为井下采集数据、地面工控机或云平台进行数据分析,存在实时性和灵活性差、采集数据量受限、成本高等问题,而边缘计算机+数据采集卡的通用工业预测性维护解决方案因不易实现矿用本质安全型设计、现场布置灵活性差、成本过高等,不适用于煤矿机电设备运维场景。针对上述问题,设计了一种基于STM32F4主控芯片的煤矿机电设备预测性维护用采集计算平台。该平台可并行高速采集煤矿机电设备振动、温度、压力等数据并实时进行快速傅里叶变换、包络谱分析等处理,进而得出机电设备健康状态,通过人机交互模块本地显示监测与诊断结果,并可通过以太网将监测数据及诊断结果传输至地面工控机或云平台进行大规模数据分析。测试结果表明,该平台对振动信号的测量误差小于4%,且可准确判断机电设备不同部件的运行状况和故障,满足现场实时计算、就地分析、灵活布置的需求。